Learning performance of coefficient-based regularized ranking

روشهای اصلاح شده هسته برای مسئله رتبه بندی به تازگی به افزایش توجه پرداخت شده است که معمولا براساس طرح تنظیم در یک فضای هیلبرت هسته بازتولید شده است. در این مقاله، ما از طریق بررسی توانایی تعمیم پذیری با مرتب سازی بر اساس ضریب، فراتر از این چارچوب می رویم. الگوریتم رتبه بندی منظم با فضای فرضیه وابسته به داده ها پیشنهاد شده است و قضیه ارجاع کننده آن ثابت شده است. خطای عمومی شدن بر اساس تعداد پوشش های فضای فرضیه تعیین می شود. تجزیه و تحلیل های قبلی متفاوت با تجزیه و تحلیل قبلی با تکیه بر هسته های مرسر، تجزیه و تحلیل نظری ما بر اساس عملکرد کلی هسته هسته ای است که لزوما نیمه متقارن یا مثبت نیست. نتایج تجربی در مجموعه داده های معیار، اثربخشی الگوریتم مبتنی بر ضریب را نشان می دهد.